Kolektif Öğrenmeye Dayalı Çok Değişkenli Desen Analizinin Klinik Karar Destek Sistemlerinde Uygulanması

Abstract

Çok değişkenli desen analizi (ÇDDA) klinik verilerin incelenmesi için yaygın olarak kullanılan güçlü bir tekniktir. ÇDDA uygulamalarında genellikle makine öğrenmesi yöntemleri kullanılmaktadır. Kolektif öğrenme algoritmaları çok sayıda makine öğrenmesi metodunu bir araya getirilerek sınıflama performansını arttırmaktadır. Kadınlarda en sık görülen ikinci kanser türü olan serviks kanseri düşük gelirli ülkelerde önemli bir ölüm nedenidir. İlk evrelerinde belirti göstermeyen serviks kanseri erken teşhis edildiğinde tamamen tedavi edilebilmektedir. Bu çalışmada rastgele ormanlar, aşırı rassal ağaçlar ve Adaboost kolektif öğrenme yöntemleri kullanılarak hastaların serviks kanseri riskini çeşitli risk faktörlerinden faydalanarak farklı tarama yöntemleri açısından tahmin eden bir ÇDDA uygulaması yapılmıştır. Aşırı rassal ağaçlar algoritmasından Hinselmann, Schiller, sitoloji ve biyopsi tarama yöntemlerinin hastaların serviks kanseri olması riskini tahmin başarısı sırasıyla %99, %96, %97 ve %97 olmuştur.

Keywords

• ensemble learning algorithms
• random forests
• extremely randomized trees
• adaboost
• clinical decision support systems
• kolektif öğrenme algoritmaları
• rastgele ormanlar
• aşırı rassal ağaçlar
• adaboost
• klinik karar destek sistemleri